Economía computacional es una disciplina de investigación interdisciplinaria que integra métodos de la computación científica y la economía para resolver problemas económicos complejos.Computational Economics. ""About This Journal" y "Aims and Scope." Esta área de estudio abarca la modelización computacional de sistemas económicos. Algunas de estas áreas son exclusivas, mientras que otras se extienden a áreas establecidas de la economía al permitir análisis de datos robustos y soluciones a problemas que serían arduos de investigar sin computadoras y métodos numéricos asociados.• Hans M. Amman, David A. Kendrick, and John Rust, ed., 1996. Handbook of Computational Economics, v. 1, Elsevier. Description & chapter-preview links. • Kenneth L. Judd, 1998. Numerical Methods in Economics, MIT Press. Links to description and chapter previews.
Historia
La economía computacional experimentó un desarrollo paralelo a la matematización del campo.A principios del , destacados pioneros como Jan Tinbergen y Ragnar Frisch impulsaron la informatización de la economía y el crecimiento de la econometría.Como resultado de los avances en econometría, se adoptaron ampliamente en la investigación económica los modelos de regresión, las pruebas de hipótesis estadísticas y otros métodos estadísticos computacionales. En el ámbito teórico, los modelos macroeconómicos complejos, como el modelo del ciclo económico real (CER) y los modelos de equilibrio general dinámico y estocástico (EGDE), han impulsado el desarrollo y la aplicación de métodos de solución numérica que dependen en gran medida de la informática.En el , el desarrollo de algoritmos computacionales ha creado nuevos medios para que los métodos computacionales interactúen con la investigación económica. En diversas áreas de la investigación económica se han explorado activamente enfoques innovadores, como los modelos de aprendizaje automático y la modelización basada en agentes, que ofrecen a los economistas un conjunto de herramientas ampliado que a menudo difiere de los métodos tradicionales.
Áreas de Aplicación
La economía computacional ha aplicado métodos computacionales en varios campos de la investigación económica, incluyendo, pero no limitándose a:
Econometría: Enfoques no paramétricos, enfoques semiparamétricos y aprendizaje automático. Modelado de sistemas dinámicos: Optimización, modelado de equilibrio general dinámico y estocástico y modelado basado en agentes.Scott E. Page, 2008. "agent-based models," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract.
Modelado basado en agentes
La economía computacional utiliza modelos económicos basados en computadoras para resolver problemas económicos formulados analítica y estadísticamente. Un programa de investigación de este tipo es la economía computacional basada en agentes (ECA), que consiste en el estudio computacional de los procesos económicos, incluyendo economías enteras, como sistemas dinámicos de agentes que interactúan.• Scott E. Page, 2008. "agent-based models," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract. • Leigh Tesfatsion, 2006. "Agent-Based Computational Economics: A Constructive Approach to Economic Theory," ch. 16, Handbook of Computational Economics, v. 2, [pp. 831-880]. . • Kenneth L. Judd, 2006. "Computationally Intensive Analyses in Economics," Handbook of Computational Economics, v. 2, ch. 17, pp. 881- 893. Pre-pub PDF. • L. Tesfatsion and K. Judd, ed., 2006. Handbook of Computational Economics, v. 2, Agent-Based Computational Economics, Elsevier. Description & and chapter-preview links. • Thomas J. Sargent, 1994. Bounded Rationality in Macroeconomics, Oxford. Description and chapter-preview 1st-page links. Como tal, es una adaptación económica del paradigma de sistemas adaptativos complejos.• W. Brian Arthur, 1994. "Inductive Reasoning and Bounded Rationality," American Economic Review, 84(2), pp. 406-411 . • Leigh Tesfatsion, 2003. "Agent-based Computational Economics: Modeling Economies as Complex Adaptive Systems," Information Sciences, 149(4), pp. 262-268 . • _____, 2002. "Agent-Based Computational Economics: Growing Economies from the Bottom Up," Artificial Life, 8(1), pp.55-82. Abstract and pre-pub PDF . Aquí, el término «agente» se refiere a «objetos computacionales modelados como interactuando según reglas», no a personas reales. Los agentes pueden representar entidades sociales, biológicas y/o físicas. El supuesto teórico de la optimización matemática por parte de los agentes en equilibrio se sustituye por el postulado menos restrictivo de agentes con racionalidad limitada que se «adaptan» a las fuerzas del mercado,• W. Brian Arthur, 1994. "Inductive Reasoning and Bounded Rationality," American Economic Review, 84(2), pp. 406-411 . • John H. Holland and John H. Miller (1991). "Artificial Adaptive Agents in Economic Theory," American Economic Review, 81(2), pp. 365-370 . • Thomas C. Schelling, 1978 . Micromotives and Macrobehavior, Norton. Description , preview. • Thomas J. Sargent, 1994. Bounded Rationality in Macroeconomics, Oxford. Description and chapter-preview 1st-page links. incluidos los contextos de teoría de juegos.• Joseph Y. Halpern, 2008. "computer science and game theory," The New Palgrave Dictionary of Economics, 2nd Edition. Abstract. • Yoav Shoham, 2008. "Computer Science and Game Theory," Communications of the ACM, 51(8), pp. 75-79 . • Alvin E. Roth, 2002. "The Economist as Engineer: Game Theory, Experimentation, and Computation as Tools for Design Economics," Econometrica, 70(4), pp. 1341–1378 . Partiendo de las condiciones iniciales determinadas por el modelizador, un modelo ECA se desarrolla a lo largo del tiempo impulsado únicamente por las interacciones entre agentes. El objetivo científico del método es probar hallazgos teóricos con datos del mundo real de manera que se vayan acumulando teorías empíricamente respaldadas con el tiempo.Leigh Tesfatsion, 2006. "Agent-Based Computational Economics: A Constructive Approach to Economic Theory," ch. 16, Handbook of Computational Economics, v. 2, sect. 5, p. 865 [pp. 831-880]. .
Aprendizaje automático en economía computacional En el ámbito de la investigación económica, los modelos de aprendizaje automático emergen como una metodología destacada para la gestión de grandes volúmenes de datos complejos y no estructurados. Diversos métodos de aprendizaje automático, como el método kernel y el bosque aleatorio, han sido desarrollados y empleados en la minería de datos y el análisis estadístico. Estos modelos exhiben capacidades predictivas y clasificatorias superiores en comparación con los métodos estadísticos tradicionales, como el método STAR. Otros métodos, como el aprendizaje automático causal y el árbol causal, proporcionan ventajas distintas, incluyendo pruebas de inferencia.
Existen ventajas y desventajas notables al utilizar herramientas de aprendizaje automático en la investigación económica.En economía, se selecciona y analiza un modelo a la vez.La investigación económica seleccionaría un modelo basado en principios, luego probaría/analizaría el modelo con datos, seguido de la validación cruzada con otros modelos. En contraste, los modelos de aprendizaje automático incorporan efectos de «ajuste» integrados que permiten la realización de un análisis empírico, la validación cruzada, la estimación y la comparación simultánea de múltiples modelos. Este proceso puede generar estimaciones más robustas en comparación con los métodos tradicionales.
La economía tradicional normaliza parcialmente los datos en virtud de principios existentes, mientras que el aprendizaje automático exhibe un enfoque más positivo/empírico para la optimización del modelo.Si bien el aprendizaje automático sobresale en la clasificación, predicción y evaluación de la bondad de ajuste, numerosos modelos carecen de la capacidad de inferencia estadística, que resulta de mayor interés para los investigadores económicos.En consecuencia, los economistas que emplean el aprendizaje automático deben desarrollar estrategias para una inferencia causal estadística robusta, un enfoque central en la investigación empírica moderna.A modo ilustrativo, los investigadores en economía podrían anticipar la identificación de factores de confusión, intervalos de confianza y otros parámetros que no han sido adecuadamente especificados en los algoritmos de aprendizaje automático.
El aprendizaje automático tiene el potencial de facilitar el desarrollo de modelos económicos heterogéneos más complejos, los cuales, tradicionalmente, requerían de un extenso trabajo computacional. Dado que la heterogeneidad puede estar asociada a diferencias en gustos, creencias, habilidades o restricciones, la optimización de un modelo heterogéneo resulta significativamente más compleja que en un enfoque homogéneo (agente representativo).l desarrollo de enfoques de aprendizaje reforzado y profundo ha logrado reducir de manera notable la complejidad del análisis heterogéneo, generando modelos que reflejan de manera más precisa los comportamientos de los agentes económicos.
La implementación de redes neuronales y el aprendizaje profundo en el campo de la economía computacional tienen el potencial de reducir significativamente el trabajo redundante asociado con la limpieza y el análisis de datos a gran escala, lo que resulta en una reducción del tiempo y el costo de tales análisis. Este avance, a su vez, permitiría a los investigadores recopilar y analizar datos en escalas más amplias, fomentando así la exploración de nuevos métodos de modelización por parte de la comunidad científica. Además, la menor insistencia en el análisis de datos permitiría a los investigadores centrarse más en temas como la inferencia causal, las variables de confusión y el realismo del modelo.Bajo la orientación adecuada, los modelos de aprendizaje automático pueden acelerar el proceso de desarrollo de una economía precisa y aplicable a través del análisis computacional y de datos empíricos a gran escala.
Fundamentación Funcional de los Mecanismos de Atención
Un avance crítico en la convergencia entre la arquitectura de redes neuronales y la teoría económica es la formalización de la capacidad expresiva de los mecanismos de atención (Transformers). Altabaa y Lafferty (2024) establecen un puente estructural al demostrar que el mecanismo de atención es un aproximador universal de relaciones de preorden abstractas. Mediante la integración del Teorema de Representación de Debreu, los autores prueban que las jerarquías de relevancia en el procesamiento de información —fundamentales para la recuperación de datos y el modelado de secuencias— son isomorfas a funciones de utilidad representadas por productos internos en espacios de características. Este hallazgo permite identificar los mecanismos de atención simétricos y asimétricos con núcleos de espacios de Hilbert (RKHS) y Banach (RKBS) respectivamente, proveyendo una base de complejidad analítica que justifica la capacidad de los modelos de aprendizaje profundo para codificar estructuras de preferencia y ordenación lógica consistentes con los microfundamentos económicos.
Modelos de equilibrio general dinámico y estocástico (EGDE)